CN115950557B - 一种基于压力变送器的温度智能补偿方法 - Google Patents
一种基于压力变送器的温度智能补偿方法 Download PDFInfo
- Publication number
- CN115950557B CN115950557B CN202310214991.2A CN202310214991A CN115950557B CN 115950557 B CN115950557 B CN 115950557B CN 202310214991 A CN202310214991 A CN 202310214991A CN 115950557 B CN115950557 B CN 115950557B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature monitoring
- monitoring data
- temperature
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 190
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000012937 correction Methods 0.000 claims abstract description 36
- 230000005856 abnormality Effects 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 239000000306 component Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于压力变送器的温度智能补偿方法,包括:获取压力变送器的温度监测数据序列,获取温度监测数据分布空间中的异常数据点,对温度监测数据分布空间进行聚类,根据聚类簇的可能程度获得初始局内数据集,根据温度监测数据分布空间的离散程度获得初始迭代次数;根据初始迭代次数进行拟合获得拟合平面,根据拟合平面获得修正参数,根据修正参数获得修正迭代次数,进而获得最终拟合平面,根据最终拟合平面对压力变送器的温度监测数据序列进行智能补偿。本发明实现对压力变送器的温度监测数据的补偿,提高压力变送器的温度监测数据的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于压力变送器的温度智能补偿方法。
背景技术
压力送变器的应用领域非常的广泛,它能将测压元件传感器感受到的气体、液体等物理压力参数转变成标准的电信号,以供给指示报警仪、记录仪、调节器等二次仪表进行测量、指示和过程调节。智能电路板为压力变送器的数字电路部分,是压力变送器进行数据采集、数据处理和分析的核心组件。影响智能电路板的温度变化可分为元器件发热和环境温度变化两部分。在压力变送器送上电后,智能电路板各个电子元件工作时不可避免的产生热量,直到与环境温度达到平衡。当外界环境温度改变后,智能电路板通过变送器铝合金外壳与外界产生热传递,直到建立新的平衡,智能电路板才会稳定。压力变送器工作原理如下:通过压力变送器的压力和温度传感器输出电压经过阻容网络滤波后,再经24位ADS1248高精度A/D转换器采样得到数字信号。数字信号通过程序滤波后传送给微处理器,微处理器调用存储器中的修正系数,对输出信号进行修正,从而得到高精度的输出。当温度变化后数据采集电路的各元器件参数也的随之改变,这不可避免的对压力变送器产生附加误差。
在现有技术中,对于压力送变器产生的温度误差主要是通过改进传感器的结构、光刻、扩散和键合等工艺尽可能的减小温度影响,但由于现有生产工艺水平的局限,温度漂移仍是不可避免的,因此需要对输出信号进行后处理,通过分析输出信号的变化,对压力变送器产生的温漂进行修正。
发明内容
本发明提供一种基于压力变送器的温度智能补偿方法,以解决现有的问题。
本发明的一种基于压力变送器的温度智能补偿方法采用如下技术方案:
本发明一个实施例提供了一种基于压力变送器的温度智能补偿方法,该方法包括以下步骤:
获取所有压力变送器的温度监测数据序列,根据所有温度监测数据序列构建温度监测数据分布空间;
获取异常温度数据序列中的待处理数据以及待处理数据的判断范围,根据待处理数据的判断范围计算待处理数据的异常程度,根据待处理数据的异常程度获得所有温度监测数据序列中的异常数据点;
通过密度聚类算法对温度监测数据分布空间进行聚类,获得多个聚类簇,计算聚类簇的可能程度,将可能程度最大的聚类簇作为初始局内数据集,对初始局内数据集进行主成分分析,获得参考方向;根据参考方向计算温度监测数据分布空间的离散程度,根据温度监测数据分布空间的离散程度获得初始迭代次数;
根据初始迭代次数对温度监测数据分布空间进行拟合获得拟合平面,根据拟合平面获得修正参数,将1与修正参数的和与初始迭代次数的乘积记为修正迭代次数,根据修正迭代次数对温度监测数据分布空间进行拟合获得最终拟合平面;
根据温度监测数据的坐标获取在最终拟合平面上对应的数据点,将温度监测数据与数据点的比值记为数据差异程度,将1与数据差异程度的差值与温度监测数据的乘积记为温度调整数据,实现对压力变送器的温度监测数据序列进行智能补偿。
进一步地,所述获取异常温度数据序列中的待处理数据以及待处理数据的判断范围,包括的具体步骤如下:
将压力变送器的温度监测数据序列的平均值最大的压力变送器的温度监测数据序列,记为异常温度数据序列;将异常温度数据序列中斜率大于第一阈值的温度监测数据记为待处理数据;待处理数据在异常温度数据序列中的序号为i,如果存在正整数n,保证异常温度数据序列中第i+1个温度监测数据到第i+n个温度监测数据的斜率都大于0且小于第一阈值,异常温度数据序列中第i+n+1个温度监测数据的斜率不大于0,将异常温度数据序列中第i个温度监测数据到第i+n个温度监测数据组成的序列记为待处理数据的判断范围,如果不存在正整数n,待处理数据的判断范围中只包含待处理数据。
进一步地,所述根据待处理数据的判断范围计算待处理数据的异常程度,包括的具体步骤如下:
式中,P表示待处理数据的异常程度,i表示待处理数据在异常温度数据序列中的序号,表示异常温度数据序列中第i个温度监测数据,表示异常温度数据序列中第i+n个温度监测数据,表示双曲正切函数,表示取绝对值,表示以自然常数为底的指数函数。
进一步地,所述根据待处理数据的异常程度获得温度监测数据分布空间中的异常数据点,包括的具体步骤如下:
在异常温度数据序列中,将异常程度大于第二阈值的待处理数据记为异常数据点;在其他温度监测数据序列中,将序号等于异常温度数据序列的异常数据点的序号的所有温度监测数据记为异常数据点;至此,获得温度监测数据分布空间中的所有异常数据点。
进一步地,所述计算聚类簇的可能程度,包括的具体步骤如下:
进一步地,所述根据参考方向计算温度监测数据分布空间的离散程度,包括的具体步骤如下:
式中,L表示温度监测数据分布空间的离散程度,M表示温度监测数据分布空间中数据点的数量,表示温度监测数据分布空间中第m个数据点到参考方向的欧式距离,表示双曲正切函数,进行归一化,表示温度监测数据分布空间中第m个数据点的权重,如果第m个数据点是异常数据点,则=0.6,否则=0.4。
进一步地,所述根据温度监测数据分布空间的离散程度获得初始迭代次数,包括的具体步骤如下:
式中,s表示初始迭代次数,L表示温度监测数据分布空间的离散程度,表示初始局内数据集中数据点的数量,M表示温度监测数据分布空间中数据点的数量,表示初始点个数,表示以2为底的对数,表示初始局内数据集局内点中数据点的数量与温度监测数据分布空间中数据点的数量的比值,表示设置的初始点中至少有一个不在初始局内数据集中的概率。
进一步地,所述根据拟合平面获得修正参数,包括的具体步骤如下:
修正参数的计算公式为:
本发明的技术方案的有益效果是:本发明通过对温度监测数据分布空间进行聚类,根据聚类簇的可能程度获得初始局内数据集,根据异常数据点进行加权获得温度监测数据分布空间的离散程度,进而获得初始迭代次数,根据初始迭代次数进行拟合获得拟合平面,根据拟合结果修正参数,根据修正参数对初始迭代次数进行修正,进而获得最终拟合平面,根据最终拟合平面对压力变送器的温度监测数据序列进行智能补偿。本发明通过初始局内数据集以及数据分布情况,自适应获得RANSAC算法的迭代次数参数,并对迭代次数参数进行修正,使温度监测数据分布空间的拟合结果准确,进而对温度监测数据进行补偿,排除局部环境温度对压力变送器的温度监测数据的影响,使压力变送器输出的温度监测数据更加趋向真实值,从而提高压力变送器的温度监测数据的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于压力变送器的温度智能补偿方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于压力变送器的温度智能补偿方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于压力变送器的温度智能补偿方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于压力变送器的温度智能补偿方法的步骤流程图,该方法包括以下步骤:
S001.获取压力变送器的温度监测数据序列,构建温度监测数据分布空间。
需要说明的是,本实施例对压力变送器的温度监测数据进行修正,使得修正后的温度监测数据更加贴近的压力变送器的实际温度,实现对压力变送器的温度的补偿,因此,需要先获得压力变送器的温度监测数据。
在本实施例中,压力变送器为了使传感器具有通用性以及便于信号的传送和记录,将传感器与带有标准信号输入电路配套使用,使压力变送器输出符合标准的信号。因此,需要通过智能电路板进行数据调取,获得压力变送器的温度监测数据,将压力变送器的所有温度监测数据按照时间顺序组成的序列记为压力变送器的温度监测数据序列,获取所有压力变送器的温度监测数据序列,给每个温度监测数据序列设置序号,第i个温度监测数据序列的序号为2i,给温度监测数据序列中的每个温度监测数据设置序号,第j个温度监测数据的序号为j。
对于任意一个温度监测数据,将温度监测数据对应的温度监测数据序列的序号,以及温度监测数据的序号组成的二元组,记为温度监测数据的坐标;将所有压力变送器的所有温度监测数据设置在三维坐标系中,获得温度监测数据分布空间,其中,三维坐标系中的x轴和y轴表示温度监测数据的坐标,z轴表示温度监测数据的温度值。
S002.获取温度监测数据分布空间中的所有异常数据点。
需要说明的是,本实施例为通过对压力变送器的温度监测数据进行补偿,使得修正后的温度监测数据更加贴近的压力变送器的实际温度。在实际的监测环境中,通常需要布置多个压力变送器,但是因为个别压力变送器所处位置的局部环境温度变化较大,导致压力变送器的温度监测数据序列的异常波动性较大,因此,需要根据每个压力变送器的温度监测数据序列的波动情况,获得异常温度数据。
进一步需要说明的是,异常温度数据只是因为在实际的监测过程中,受到局部环境温度的影响而出现异常,因此,异常温度数据同样具有实用价值。比如,压力变送器安装在室外时,在东北地区,冬天的环境温度可能降到零下20℃,但是在某个设备旁,环境温度可能上升到50℃,这样就导致了监测到的压力变送器的温度监测数据的差异较大。压力变送器里面的核心器件是压力芯片,压力芯片的本质是一个桥路电阻(简称“桥阻”),在环境温度变化的时候会引起桥阻阻值的变化,这样造成压力变送器输出的温度监测数据不准确,为了修正环境温度变化对压力变送器输出的温度监测数据影响,需要对压力变送器的温度监测数据进行补偿。
在本实施例中,将压力变送器的温度监测数据序列的平均值最大的压力变送器的温度监测数据序列,记为异常温度数据序列,将异常温度数据序列中斜率大于第一阈值的温度监测数据记为待处理数据;待处理数据在异常温度数据序列中的序号为i,如果存在正整数n,保证异常温度数据序列中第i+1个温度监测数据到第i+n个温度监测数据的斜率都大于0且小于第一阈值,异常温度数据序列中第i+n+1个温度监测数据的斜率不大于0,将异常温度数据序列中第i个温度监测数据到第i+n个温度监测数据组成的序列记为待处理数据的判断范围,如果不存在正整数n,待处理数据的判断范围中只包含待处理数据。
根据待处理数据的判断范围计算待处理数据的异常程度,具体为:
式中,P表示待处理数据的异常程度,i表示待处理数据在异常温度数据序列中的序号,表示异常温度数据序列中第i个温度监测数据,即待处理数据,表示异常温度数据序列中第i+n个温度监测数据,即待处理数据的判断范围内的最后一个数据,表示双曲正切函数,进行归一化,表示取绝对值,表示以自然常数为底的指数函数。由于待处理数据的判断范围内的温度监测数据的斜率都大于0,说明判断范围内的温度监测数据一直处于上升状态,则表示待处理数据的判断范围内的温度差值,也是判断范围内温度上升的程度,越大,说明待处理数据的判断范围内的温度变化程度越大,待处理数据的异常程度P越大;表示待处理数据的判断范围的大小,说明了待处理数据的判断范围内,温度从上升为所用的时间,越小,则时间越短,温度上升的速度越快,则待处理数据为异常点的可能程度越大,即待处理数据的异常程度P越大。
在异常温度数据序列中,将异常程度大于第二阈值的待处理数据记为异常数据点;在其他温度监测数据序列中,将序号等于异常温度数据序列的异常数据点的序号的所有温度监测数据记为异常数据点;至此,获得温度监测数据分布空间中的所有异常数据点。
在本实施例中,第一阈值为0.4,第二阈值为0.34,在其他实施例中,实施人员可根据需要可根据需要设置第一阈值和第二阈值。
S003.对温度监测数据分布空间进行聚类,根据聚类簇的可能程度获得初始局内数据集,根据温度监测数据分布空间的离散程度获得初始迭代次数。
需要说明的是,异常温度数据序列中的异常数据点,是在监测过程中发生温度异常突变的点。在进行多个温度数据序列拟合时,其他温度数据序列需要将异常温度数据序列作为参考点,判断其在同一时刻是否都出现了温度变化,然后再对多条数据进行拟合,拟合时该点即为关注点。在进行多条数据拟合时,因为每一条数据表示一个压力变送器的温度变化,那么将多条数据序列投放在一个三维坐标系中,既能观察到每一条数据序列的变化,又能反映多条数据序列之间的关系。
1、对温度监测数据分布空间进行聚类,根据聚类簇的可能程度获得初始局内数据集。
需要说明的是,使用RANSAC算法对数据进行拟合,RANSAC算法在进行数据拟合时它可以从一组包含“局外点”的观测数据中,通过迭代的方式估计数学模型的参数,迭代次数是影响拟合准确性的关键因素,为了提高数据模型的拟合的准确性,需要根据数据的分布特征获得初始迭代次数,使得拟合后的曲线符合数据的趋势分布。因为数据的离散程度越大,对拟合的效果影响越大,因此在进行数据拟合时,根据获得的离群点来判断数据的可能迭代次数。因此首先设置一个初始的局内数据集,然后再进行迭代。
在本实施例中,DBSCAN密度聚类算法中的聚类半径和最小聚类数两个参数设置为4和3,通过DBSCAN密度聚类算法对温度监测数据分布空间中的数据点进行聚类,获得多个聚类簇。选取密度最大且数据量较多的聚类簇作为初始局内聚类簇,因此,需要根据聚类簇的密度和数据量计算聚类簇的可能程度,计算公式为:
式中,C表示聚类簇的可能程度,N表示聚类簇中数据点的数量,M表示温度监测数据分布空间中数据点的数量,表示聚类簇中第k数据点与聚类簇的质心的欧式距离,表示双曲正切函数,进行归一化,表示以自然常数为底的指数函数。表示聚类簇中所有数据点与聚类簇的质心的距离的平均值,由于本实施例需要选取密度最大且数据量较多的聚类簇作为初始局内聚类簇,越小,则聚类簇的密度越大,同时,聚类簇中数据点的数量N越大,则聚类簇的可能程度越大。
聚类簇的密度最大且数据量越多,说明该聚类簇为多个温度监测数据序列的分布集中区域,在确定数据拟合方向时就应该以该区域的数据点为起始点。
计算每个聚类簇的可能程度,选取可能程度最大的聚类簇作为初始局内数据集。
2、根据温度监测数据分布空间的离散程度获得初始迭代次数。
RANSAC算法中有两个参数需要设置,分别为初始点个数和初始迭代次数,在本实施例中,初始点个数为5,初始迭代次数需要根据温度监测数据分布空间的离散程度来计算,数据点的分布越离散,则初始迭代次数越多,这样才能保证拟合得到的拟合曲面符合温度监测数据分布空间中所有数据点的分布,因此计算温度监测数据分布空间的离散程度来对初始迭代次数进行判断。
对初始局内数据集进行主成分分析,获得初始局内数据集的主成分方向,记为参考方向;需要说明的是,根据主成分分析算法可知,以供获得多个主成分方向向量,每个主成分方向向量对应一个特征值,本实施例中只保留特征值最大的主成分方向向量。
根据参考方向计算温度监测数据分布空间的离散程度,计算公式如下:
式中,L表示温度监测数据分布空间的离散程度,M表示温度监测数据分布空间中数据点的数量,表示温度监测数据分布空间中第m个数据点到参考方向的欧式距离,表示双曲正切函数,进行归一化,表示温度监测数据分布空间中第m个数据点的权重,如果第m个数据点是异常数据点,则=0.6,否则=0.4。表示温度监测数据分布空间中所有数据点与参考方向的距离的加权平均值,越大,则初始局内数据集中的数据点分布的越离散,温度监测数据分布空间的离散程度L越大,由于异常数据点对温度监测数据分布空间的拟合结果的影响较大,因此,给温度监测数据分布空间中属于异常数据点的数据点设置较大的权重。
根据温度监测数据分布空间的离散程度获得初始迭代次数,计算公式如下:
式中,s表示初始迭代次数,L表示温度监测数据分布空间的离散程度,表示初始局内数据集中数据点的数量,M表示温度监测数据分布空间中数据点的数量,表示初始点个数,表示以2为底的对数,表示初始局内数据集局内点中数据点的数量与温度监测数据分布空间中数据点的数量的比值,表示设置的初始点中至少有一个不在初始局内数据集中的概率。
S004.根据初始迭代次数进行拟合获得拟合平面,根据拟合平面获得修正参数,根据修正参数获得修正迭代次数,进而获得最终拟合平面。
1、根据初始迭代次数进行拟合获得拟合平面。
根据获得的初始迭代次数通过RANSAC算法对温度监测数据分布空间进行拟合,获得拟合平面;本实施例获得的拟合平面包含离了异常数据点,受到异常数据点的影响,拟合平面的结果比实际结果大,因此还需要对拟合平面进行修正。
2、根据拟合平面获得修正参数。
在进行修正时,需要根据原始数据点的变化程度进行分析。不同的压力变送器的其数据序列的变化程度不同,变化程度最小的序列是受周围环境影响最小的,因此其产生的离群数据点越少。
当拟合平面与参考平面的夹角越大时,说明拟合平面与参考平面的差异越大,通过RANSAC算法拟合得到的数据越不准确,需要根据拟合平面与参考平面的夹角对数据进行调节。在进行数据调节时,通过对拟合平面两侧的数据点进行分析,根据数据的离散程度来调节拟合平面的位置。
根据数据的离散程度对拟合平面进行调节时,当某一侧的数据点的离散程度越小时,说明该侧的数据点的分布越集中,而在通过压力变送器进行温度监测时,不同压力变送器监测到的数据理论上应该是近似相同的;而某一侧的数据点的离散程度越大时,说明数据点的分布离散是温度异常引起的,则需要向另一侧进行调节。
修正参数的计算公式为:
式中,表示修正参数,表示拟合平面与参考平面的夹角,表示拟合平面中的数据点的标准差较小的一侧的标准差,表示拟合平面中的数据点的标准差较大的一侧的标准差,表示圆周率,表示以自然常数为底的指数函数。分别表示拟合平面的两侧的数据点的离散程度,表示拟合平面的两侧的数据点的离散程度的差异,越小,拟合平面的两侧的数据点的离散程度的差异越大,说明拟合的平面越偏向某一侧,修正参数越大。
3、根据修正参数获得修正迭代次数,进而获得最终拟合平面。
根据修正参数对初始迭代次数进行修正,计算1与修正参数的和,将得到的和与初始迭代次数的乘积记为修正迭代次数,根据修正迭代次数通过RANSAC算法对温度监测数据分布空间进行拟合,获得最终拟合平面。
本发明通过初始局内数据集以及数据分布情况,自适应获得RANSAC算法的迭代次数参数,并对迭代次数参数进行修正,使温度监测数据分布空间的拟合结果准确,进而对温度监测数据进行补偿,排除局部环境温度对压力变送器的温度监测数据的影响,使压力变送器输出的温度监测数据更加趋向真实值,从而提高压力变送器的温度监测数据的准确性。
S005.根据最终拟合平面对压力变送器的温度监测数据序列进行智能补偿。
对于任意一个温度监测数据序列中的任意一个温度监测数据,根据温度监测数据的坐标获取在最终拟合平面上对应的数据点,将温度监测数据与数据点的比值记为数据差异程度,计算1与数据差异程度的差值,将得到的差值与温度监测数据的乘积记为温度调整数据,实现对压力变送器的温度监测数据序列进行智能补偿。
本发明通过对温度监测数据分布空间进行聚类,根据聚类簇的可能程度获得初始局内数据集,根据异常数据点进行加权获得温度监测数据分布空间的离散程度,进而获得初始迭代次数,根据初始迭代次数进行拟合获得拟合平面,根据拟合结果修正参数,根据修正参数对初始迭代次数进行修正,进而获得最终拟合平面,根据最终拟合平面对压力变送器的温度监测数据序列进行智能补偿。本发明通过初始局内数据集以及数据分布情况,自适应获得RANSAC算法的迭代次数参数,并对迭代次数参数进行修正,使温度监测数据分布空间的拟合结果准确,进而对温度监测数据进行补偿,排除局部环境温度对压力变送器的温度监测数据的影响,使压力变送器输出的温度监测数据更加趋向真实值,从而提高压力变送器的温度监测数据的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种基于压力变送器的温度智能补偿方法,其特征在于,该方法包括以下步骤:
获取所有压力变送器的温度监测数据序列,根据所有温度监测数据序列构建温度监测数据分布空间;
获取异常温度数据序列中的待处理数据以及待处理数据的判断范围,根据待处理数据的判断范围计算待处理数据的异常程度,根据待处理数据的异常程度获得温度监测数据分布空间中的异常数据点;
通过密度聚类算法对温度监测数据分布空间进行聚类,获得多个聚类簇,计算聚类簇的可能程度,将可能程度最大的聚类簇作为初始局内数据集,对初始局内数据集进行主成分分析,获得参考方向;根据参考方向计算温度监测数据分布空间的离散程度,根据温度监测数据分布空间的离散程度获得初始迭代次数;
根据初始迭代次数对温度监测数据分布空间进行拟合获得拟合平面,根据拟合平面获得修正参数,将1与修正参数的和与初始迭代次数的乘积记为修正迭代次数,根据修正迭代次数对温度监测数据分布空间进行拟合获得最终拟合平面;
根据温度监测数据的坐标获取在最终拟合平面上对应的数据点,将温度监测数据与数据点的比值记为数据差异程度,将1与数据差异程度的差值与温度监测数据的乘积记为温度调整数据,实现对压力变送器的温度监测数据序列进行智能补偿。
2.根据权利要求1所述的一种基于压力变送器的温度智能补偿方法,其特征在于,所述获取异常温度数据序列中的待处理数据以及待处理数据的判断范围,包括的具体步骤如下:
将压力变送器的温度监测数据序列的平均值最大的压力变送器的温度监测数据序列,记为异常温度数据序列;将异常温度数据序列中斜率大于第一阈值的温度监测数据记为待处理数据;待处理数据在异常温度数据序列中的序号为i,如果存在正整数n,保证异常温度数据序列中第i+1个温度监测数据到第i+n个温度监测数据的斜率都大于0且小于第一阈值,异常温度数据序列中第i+n+1个温度监测数据的斜率不大于0,将异常温度数据序列中第i个温度监测数据到第i+n个温度监测数据组成的序列记为待处理数据的判断范围,如果不存在正整数n,待处理数据的判断范围中只包含待处理数据。
4.根据权利要求1所述的一种基于压力变送器的温度智能补偿方法,其特征在于,所述根据待处理数据的异常程度获得温度监测数据分布空间中的异常数据点,包括的具体步骤如下:
在异常温度数据序列中,将异常程度大于第二阈值的待处理数据记为异常数据点;在其他温度监测数据序列中,将序号等于异常温度数据序列的异常数据点的序号的所有温度监测数据记为异常数据点;至此,获得温度监测数据分布空间中的所有异常数据点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214991.2A CN115950557B (zh) | 2023-03-08 | 2023-03-08 | 一种基于压力变送器的温度智能补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214991.2A CN115950557B (zh) | 2023-03-08 | 2023-03-08 | 一种基于压力变送器的温度智能补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115950557A CN115950557A (zh) | 2023-04-11 |
CN115950557B true CN115950557B (zh) | 2023-05-09 |
Family
ID=85891158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310214991.2A Active CN115950557B (zh) | 2023-03-08 | 2023-03-08 | 一种基于压力变送器的温度智能补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115950557B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186634B (zh) * | 2023-04-26 | 2023-07-07 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理系统 |
CN116304779B (zh) * | 2023-05-25 | 2023-09-01 | 济宁市健达医疗器械科技有限公司 | 一种体外循环温度智能测定系统 |
CN116595470B (zh) * | 2023-07-17 | 2023-09-15 | 北京云摩科技股份有限公司 | 一种刮板机链条载荷监测的方法 |
CN116610482B (zh) * | 2023-07-18 | 2023-10-17 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
CN116610682B (zh) * | 2023-07-21 | 2023-09-29 | 山东盈动智能科技有限公司 | 基于数据存储的温度测试仪数据分类方法 |
CN117150283B (zh) * | 2023-10-31 | 2024-01-12 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据分析的突发环境事件安全预警方法 |
CN117278643B (zh) * | 2023-11-20 | 2024-01-26 | 杭州广安汽车电器有限公司 | 基于云边协同的车载云标定数据传输系统 |
CN117633590B (zh) * | 2023-11-27 | 2024-05-03 | 东营龙源清洁能源科技有限公司 | 一种地热能源供热状态监测方法及系统 |
CN117870943B (zh) * | 2024-01-22 | 2024-08-20 | 中国三峡建工(集团)有限公司 | 基于多传感器的灌浆过程中数据优化采集系统 |
CN117828516B (zh) * | 2024-03-06 | 2024-05-24 | 湖南大学 | 一种数字化压力罐生产车间现场数据优化采集系统 |
CN117851815B (zh) * | 2024-03-07 | 2024-05-10 | 哈能(浙江)电力科技有限公司 | 一种开关柜安全状态实时预警方法及系统 |
CN118428245B (zh) * | 2024-07-04 | 2024-08-30 | 济宁玉园酿造食品有限公司 | 一种圆盘制曲过程中的温度智能控制方法及系统 |
CN118445542B (zh) * | 2024-07-05 | 2024-09-17 | 山东芝人堂药业有限公司 | 一种用于灵芝孢子油提取纯化的参数监测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6021383A (en) * | 1996-10-07 | 2000-02-01 | Yeda Research & Development Co., Ltd. | Method and apparatus for clustering data |
JP3204154B2 (ja) * | 1997-02-21 | 2001-09-04 | 日本電気株式会社 | 時系列データ解析装置 |
CN101383023B (zh) * | 2008-10-22 | 2011-04-06 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
CN101957850A (zh) * | 2010-09-25 | 2011-01-26 | 浙江大学 | 动态数据聚类算法 |
JP5698069B2 (ja) * | 2011-05-10 | 2015-04-08 | 株式会社第一測範製作所 | 温度測定方法並びに温度測定装置 |
JP6030787B2 (ja) * | 2015-03-17 | 2016-11-24 | 東海旅客鉄道株式会社 | 温度異常検出システム、温度異常検出方法 |
KR20180116508A (ko) * | 2017-04-14 | 2018-10-25 | 동국대학교 산학협력단 | 기온 자료를 이용한 군집화 장치 및 방법 |
CN111638034B (zh) * | 2020-06-09 | 2021-07-09 | 重庆大学 | 基于深度学习的应变天平温度梯度误差补偿方法及系统 |
CN112232366B (zh) * | 2020-09-09 | 2024-04-16 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112212980B (zh) * | 2020-09-29 | 2021-10-01 | 中电工业互联网有限公司 | 一种抗外界环境温度干扰的人体温度检测方法 |
-
2023
- 2023-03-08 CN CN202310214991.2A patent/CN115950557B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115950557A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115950557B (zh) | 一种基于压力变送器的温度智能补偿方法 | |
RU2138781C1 (ru) | Датчик с улучшенной компенсацией | |
CN107271081B (zh) | 基于两阶段最小二乘拟合的硅压阻式压力变送器温度补偿方法及装置 | |
CN106706153B (zh) | 一种低温热敏电阻温度特性数据的处理方法 | |
CN107464591B (zh) | 一种安全壳泄漏在线监测系统传感器组合优化方法 | |
CN115659284B (zh) | 一种大数据融合平台 | |
CN113947035A (zh) | 一种高超声速边界层转捩数据天地相关性方法 | |
CN118169580A (zh) | 一种智能手机配件生产测试方法及系统 | |
CN111487440A (zh) | 一种五孔探针的标定方法 | |
CN114046815B (zh) | 基于深度学习的编码器自校正方法及装置 | |
CN103092815A (zh) | 校准装置及其对监测装置中的传递函数进行校准的方法 | |
CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
CN113236506B (zh) | 一种基于滤波的工业时滞系统故障检测方法 | |
CN112685449B (zh) | 一种热力系统性能计算方法、装置及设备 | |
Pereira et al. | based progressive polynomial calibration method for smart sensors linearization | |
CN113701711B (zh) | 基于北斗定位与气压计的高精度定位方法及系统 | |
AU2021307062A1 (en) | Method and system for eccentric load error correction | |
CN117685879B (zh) | 一种全自动影像测量仪检测系统 | |
CN114266103B (zh) | 一种飞行器参数和噪声特性在线估计方法及存储介质 | |
CN115459451B (zh) | 一种基于电源回路的开关量传感器的智能通讯方法 | |
CN116821588B (zh) | 基于dsmf融合算法的反应堆工况判断及预测方法 | |
CN110645957A (zh) | 一种开伞器的高度传感器的q定点表示方法 | |
CN112731266B (zh) | 一种电能表现场校验非标条件下修正方法 | |
CN116186497A (zh) | 一种基于相似样本集的电子控制器信号标定校准方法 | |
CN118050538A (zh) | 一种三维风向检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |